Amazon SageMaker Studio for Data Scientists

Ervaren datawetenschappers die bedreven zijn in de basisprincipes van ML en deep learning

In deze cursus leer je:

• Versnel het proces voor het voorbereiden, bouwen, trainen, implementeren en bewaken van ML-oplossingen met behulp van Amazon SageMaker Studio

Dag 1

Module 1: Amazon SageMaker Studio-installatie

• JupyterLab-extensies in SageMaker Studio
• Demonstratie: demo van de SageMaker-gebruikersinterface

Module 2: Gegevensverwerking

• SageMaker Data Wrangler gebruiken voor gegevensverwerking
• Hands-On Lab: Analyseer en bereid gegevens voor met behulp van Amazon SageMaker Data Wrangler
• Amazon EMR gebruiken
• Hands-On Lab: Analyseer en bereid gegevens op schaal voor met behulp van Amazon EMR
• Interactieve sessies van AWS Glue gebruiken
• SageMaker Processing gebruiken met aangepaste scripts
• Hands-On Lab: Gegevensverwerking met behulp van Amazon SageMaker Processing en SageMaker Python SDK
• SageMaker Functie Winkel
• Hands-On Lab: Feature engineering met behulp van SageMaker Feature Store

Module 3: Modelontwikkeling

• SageMaker training vacatures
• Ingebouwde algoritmen
• Neem je eigen script mee
• Neem je eigen container mee
• SageMaker-experimenten
• Hands-On Lab: SageMaker-experimenten gebruiken om iteraties van training en afstemming bij te houden
• Modellen

Dag 2

Module 3: Modelontwikkeling (vervolg)

• SageMaker Foutopsporing
• Hands-On Lab: Waarschuwingen analyseren, detecteren en instellen met behulp van SageMaker Debugger
• Automatische modelafstemming
• SageMaker Autopilot: geautomatiseerde ML
• Demonstratie: SageMaker automatische piloot
• Detectie van vooringenomenheid
• Hands-On Lab: SageMaker Clarify gebruiken voor vooringenomenheid en verklaarbaarheid
• SageMaker Jumpstart

Module 4: Implementatie en inferentie

• SageMaker Model Register
• SageMaker-pijpleidingen
• Hands-On Lab: SageMaker-pijplijnen en SageMaker-modelregister gebruiken met SageMaker Studio
• Opties voor deductie van SageMaker-modellen
• Schalen
• Teststrategieën, prestaties en optimalisatie
• Hands-On Lab: Deductie uitvoeren met SageMaker Studio

Module 5: Monitoring

• Amazon SageMaker Model Monitor
• Bespreking: Casestudy
• Demonstratie: Modelbewaking

Dag 3

Module 6: Bronnen en updates van SageMaker Studio beheren

• Opgebouwde kosten en afsluiten
• Updates Capstone
• Omgeving instellen
• Uitdaging 1: Analyseer en bereid de dataset voor met SageMaker Data Wrangler
• Uitdaging 2: Functiegroepen maken in de SageMaker Feature Store
• Uitdaging 3: Modeltraining en -afstemming uitvoeren en beheren met behulp van SageMaker Experiments
• (Optioneel) Uitdaging 4: Gebruik SageMaker Debugger voor het trainen van prestaties en modeloptimalisatie
• Uitdaging 5: Evalueer het model op bias met behulp van SageMaker Clarify
• Uitdaging 6: Batchvoorspellingen uitvoeren met behulp van modeleindpunt
• (Optioneel) Uitdaging 7: Automatiseer het volledige modelontwikkelingsproces met behulp van SageMaker Pipeline

We raden alle deelnemers aan deze cursus aan om:

• Ervaring met het gebruik van ML-frameworks
• Python programmeer ervaring
• Minimaal 1 jaar ervaring als data scientist verantwoordelijk voor het trainen, afstemmen en implementeren van modellen
• Technische benodigdheden van AWS